[发明专利]基于级联形式的CNN卷积核硬件设计方法

权利要求书

1.一种基于级联形式的CNN卷积核硬件设计方法，其特征在于，包括以下步骤：

(1)定义卷积基本矩阵，并采用硬件实现，得到卷积基本模块；

(2)将线性卷积用快速卷积算法以矩阵相乘的形式进行表示，并按照表示形式将卷积基本模块进行级联，形成级联卷积模块；

(3)在级联卷积模块中加入通过加法器实现的加法矩阵，以实现并行处理、偏置值的加法计算以及2维卷积和，得到最终快速卷积核。

2.根据权1所述的基于级联形式的CNN卷积核硬件设计方法，其特征在于：步骤(1)具体包括：

(1-1)定义卷积基本矩阵为：

H₂＝diag(h₀,h₀-h₁,h₁)，

$P_3=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\\ 1& 1& 0\\ 1& 0& 1\\ 0& 1& 1\end{array}\right],Q_3=\left[\begin{array}{cccccc}1& 0& 0& 0& 0& 0\\ -1& -1& 0& 1& 0& 0\\ -1& 1& -1& 0& 1& 0\\ 0& -1& -1& 0& 0& 1\\ 0& 0& 1& 0& 0& 0\end{array}\right],$

H₃＝diag(h₀,h₁,h₂,h₀+h₁,h₀+h₂,h₁+h₂)

式中，h₀、h₁、h₂分别表示卷积运算中滤波器的各个抽头系数。

(1-2)将P₂、Q₂、H₂、P₃、Q₃、H₃采用硬件实现，得到卷积基本模块P₂、Q₂、H₂、P₃、Q₃、H₃。

3.根据权1所述的基于级联形式的CNN卷积核硬件设计方法，其特征在于：步骤(2)具体包括

(2-1)将线性卷积用快速卷积算法以矩阵相乘的形式表示为：

$Y_L={\left(Q_L{H}_L{P}_{L}A\right)}^T{X}_L=\left(Q_L^T{H}_L^T{P}_L^T{A}^T\right)X_L$

$\left\{\begin{array}{c}{X}_L={\[X_{L-1},X_{L-2},\mathrm{...},X_0\]}^T\\ Y_L={\[Y_{L-1},Y_{L-2},\mathrm{...},Y_0\]}^T\\ H_L=diag\left(P_L\×{\[h_0,h_1,\mathrm{...},h_{L-1}\]}^T\right)\\ P_L^T=\left(P_{L_1}^T\⊗\left(\mathrm{...}\left(P_{L_{r-1}}^T\⊗P_{L_r}^T\right)\right)\right)\\ Q_L^T=\left(Q_{L_1}^T\⊗\left(\mathrm{...}\left(Q_{L_{r-1}}^T\⊗Q_{L_r}^T\right)\right)\right)\end{array}\right.$

式中，L表示线性卷积的长度，满足关系L＝L₁L₂...L_r，其中L_i表示将线性卷积分解成r个级联子卷积后，其中第i个子卷积的长度，且L_i＝2,3；X_L表示线性卷积输入矩阵，X_*表示线性卷积的第*个输入向量；Q_L表示级联的后处理矩阵，表示第i个子卷积滤波器的后处理矩阵，表示张量积运算；H_L表示对角化的级联滤波器矩阵，h_*表示第*个滤波器系数；P_L表示预处理矩阵，表示第i个子卷积滤波器的预处理矩阵；A表示级联形式中用来调整输入向量的矩阵；Y_L表示线性卷积输出矩阵，Y_*表示线性卷积的第*个输出向量；

(2-2)将各个和替换为对应的卷积基本模块Q₂、Q₃和P₂、P₃，以及根据卷积系数计算得到H_L，并按照(2-1)的表示形式进行级联，形成级联卷积模块。